基于人工神经网络的煤矿开采中沉陷预测系统设计

李建勋，李 旭，李 磊

(陕西澄合山阳煤矿有限公司，陕西 渭南 715300)

0 引言

对煤矿开采中出现的沉陷问题进行精准预测，是煤矿施工方与技术单位长期以来的研究话题。合理且有序地开展预测行为，不仅可以掌握煤矿地表岩层的变化趋势，同时也可以避免在工程实施过程中，出现煤矿地质层塌陷危险导致的人员伤亡[1]。目前，我国煤矿产业使用的沉陷预测方法大多为实测法与数值模拟论证法，但现下使用的预测方法，不仅存在成本高、运算复杂的问题，也存在针对性强、适用性低等缺陷[2]。因此，引进人工神经网络，从数据信息处理层面入手，采用对人脑神经元进行抽象化处理的方式，构建一个简单的运算模式，使沉陷预测的运算过程简单化。在此基础上，设计一种针对煤矿开采过程的沉陷预测系统，以期为煤矿工程的安全施工提供技术保障。

1 硬件设计

1.1 系统控制装置选型

基于煤矿开采中沉陷预测系统的运行需要，在对其硬件结构进行设计时，将系统控制装置作为硬件核心部分。选用由Kodak研发企业生产的DL165-560型号控制装置作为本系统核心装置结构，该型号控制装置具有数据可视化、指令快速响应等应用优势[3]。该控制装置当中含有DL-DrawWidget控制芯片，通过控制芯片将控制装置应用到各个可以实现COM兼容的环境当中。同时DL165-560型号控制装置当中还含有多个灵活语言接口，可以支持C语言、C+语言、Java等多种不同的控制指令，能够充分满足煤矿开采过程中，对各类开采设备和机械的控制[4]。DL165-560型号控制装置的技术指标及相关参数见表1。选用的控制装置能够应用到各类支持ActiveS的运行环境当中，为了更加清晰地对各类煤矿开采设备进行可视化控制，可将该控制装置与具有高清显示功能的显示器进行连接。

表1 DL165-560型号控制装置的技术指标及相关参数

1.2 沉陷数据采集装置选型

为了实现对煤矿开采过程中地面沉陷的预测，引入针对沉陷数据的采集装置，通过该装置对沉陷数据变化进行实时监测。由于煤矿开采中出现沉陷现象会涉及众多的数据变化，因此本文在选择沉陷数据采集装置时，采用针对多种不同类型数据进行的传感器，例如针对周围环境温度、湿度以及土壤湿度等参数的传感器，将众多传感器进行连接，组成沉降数据采集装置组[5-7]。多种传感器均采用分辨率为0.5 μm，USB接口为USB 3.5全速，通信端口为RS1650的传感器。通过多个传感器采集到的数据全部汇总到沉降数据采集装置当中，为后续对煤矿开采中沉陷情况预测提供数据依据。

2 软件设计

2.1 基于人工神经网络构建预测模型

在完成上述硬件设计的基础上，下述将对系统的软件功能进行设计。在此过程中，假设造成开采中沉陷的关键因素包括n个，输出有效因素，将其表示为x={X1,X2,…,Xn}。煤矿地表层多种移动的变量值共包含m个，输出有效变量，将其表示为y={Y1,Y2,…,Ym}。在深入对地表沉陷的研究中，发现x与y两者是存在某种直接关系的，而通过对两者关系的分析，便可以掌握煤矿层地表位移变化规律[8-10]。为了进一步掌握或感知两者的关系，本章引进人工神经网络，采用构建预测模型的方式，掌握煤矿层地表变化规律。在此过程中，结合BP反向算法，构建一个多层模型[11]。3层结构模型如图1所示。

图1 基于人工神经网络的3层预测模型Fig.1 Three-layer prediction model based on artificial neural network

根据图1结构，可知预测模型中任意一层中均涵盖一个隐性连续函数，函数通过BP反向算法对导入的数据进行逼近，便可以得到一个由n→m的映射空间。为了明确地表位移变化规律，需要对模型进行训练。训练时，对构建模型中的人工神经网络进行初始化处理，在此基础上，连接多项权值Wji与模型运行有效阈值范围θj，对模型中每个参数值赋予一个随机最小值。同时，在预测模型中，定义训练样本集合表示为p，输入向量可以表示为xp，其中p的取值范围为[1，P]。在完成上述相关工作的基础上，计算模型中不同层神经元的实际输出值，计算公式为

(1)

2.2 基于地质图像坐标转换预测地质沉降

为了确保系统在运行中预测结果的准确性，需要对前端获取的地质图像进行坐标转换。为此，本章引进高斯误差函数，在指定预测范围内，对区域进行网格划分，并按照一定的规格，将预测的区域规划为由大量网格点构成的区域，为后期等值处理预测沉陷数据提供参考。在处理连续图像过程中，参照Grid指令，将区域划分为平行网格，并将计算的预测结果进行坐标等值计算[12]，计算公式为

(2)

式中，erf(x)为等值坐标配比结果，公式中其他参数均为常数项。在完成与此相关工作后，获取区域煤矿样本数据，结合区域地质图手绘结果，绘制煤矿区域地质三维效果图，将区域实际数据导入上述构建的预测模式中，通过此种方式，验证预测结果是否准确。假定在反向检验的过程中，预测的数值可代入模型，且符合运算规律，证明预测结果准确，直接输出预测结果即可。假定在反向检验的过程中，预测的数值在代入模型后，存在模型结构偏离问题，证明运算过程不符合事实规律，证明预测结果与实际结果存在偏差，此时则需要重新对地质环境数值进行训练，经过多次迭代后再输出数据值，直到计算结果符合运算规律，以此完成对预测系统的设计。

3 试验论证分析

上述从硬件层面和软件层面完成对基于人工神经网络的煤矿开采中沉陷预测系统的理论设计，为进一步探究该系统在实际应用中是否有效解决传统预测系统在实际应用中存在的问题，选择以某煤矿开采项目为依托，分别将本文系统和传统系统应用到该项目当中，以实现对开采过程中地表沉陷的预测。对该开采区域历史勘查数据进行提取，该煤矿开采项目中地表下沉系数为0.6，水平移动系数为0.2，开采过程中影像传播角为85 ℃，工作面整体长度约为120 m，倾斜长度约为110 m。为方便对2种预测系统的实际应用效果进行对比，选择将2种系统预测得出的下沉量作为试验参数，分别记录2种系统预测结果，并将其与该煤矿开采区域实际沉降量进行比对，得出沉陷预测结果误差值，将其作为评价指标并记录结果，见表2。

表2 2种预测系统试验结果对比

通过上述试验结果可以看出，所设计的系统在对5个不同煤矿开采区域的沉陷情况预测时，得到的预测结果误差值明显小于传统系统。因此，通过对比试验证明，提出的基于人工神经网络的煤矿开采中沉陷预测系统在实际应用中能够结合多种不同因素，可以实现对煤矿开采地层沉陷的精准预测。

4 结语

从构建预测模型、基于地质图像坐标转换预测地质沉降2个方面，对沉陷预测系统展开设计研究。完成设计后，通过对比试验证明，所设计的系统可实现对煤矿开采地层沉陷的精准预测。相比传统的预测系统，预测结果实用性更高。因此，可在后期的煤矿开采工作中，将该系统应用到工程实际，从实践角度对沉陷预测系统的误差进行校正，以此种方式，保障煤矿工程在市场内的顺利实施。